“如果你的代码可以自己编写，甚至修复自己的错误，那会怎样？”
这听起来像魔术。然而，借助一个由 GPT 和智能错误修复循环驱动、能够编写其他 Python 脚本的 Python 脚本，您就可以将其变为现实。您将构建一个可自我演进的脚本生成器：一个能够将简单的提示符转换为可运行的 CLI 实用程序、测试其输出并在出现问题时自动重试的工具。
不吹毛求疵，不炒作。只需一步步指导，即可立即使用。最终，您将掌握如何创建自己的 AI 驱动代码生成器，从而减少调试时间，将更多时间投入到构建中。
1. 核心循环：生成 → 执行 → 修复
从本质上讲，我们的自我进化生成器循环执行三件事：
通过 GPT生成代码
在沙箱内执行
通过将错误反馈给 GPT 来修复故障
生成-执行-修复循环将一次性代码生成器转变为自动调试机器。
信息：可以将其想象为测试驱动开发，但人工智能会同时编写代码和测试，然后修复故障直到一切通过。
2. 设置：准备好你的环境
2.1 安装依赖项
您只需要两个库：
pip install openai richopenai– 调用 GPT-4rich– 用于彩色、结构化的控制台输出
2.2 配置您的 API 密钥
export OPENAI_API_KEY="your_key_here"在你的脚本中：
import os, openai
openai.api_key = os.getenv("OPENAI_API_KEY")信息：将密钥存储在环境变量或 Vault 中。切勿对其进行硬编码。
3. 生成器函数详解
下面是一个完整注释的实现。请阅读每个步骤，然后自己尝试一下。
import openai
from rich.console import Console
console = Console()
def generate_and_debug(prompt: str, max_retries: int = 3) -> str:
"""
Generate Python code for `prompt`, execute it, capture errors,
and ask GPT to fix until success or retries exhausted.
"""
system_msg = {
"role": "system",
"content": (
"You are a Python expert. "
"Write concise, functional Python code. "
"Include necessary imports and error handling."
)
}
user_msg = {"role": "user", "content": prompt}
code = None
for attempt in range(1, max_retries + 1):
console.rule(f"[bold blue]Attempt #{attempt}")
# 1) Generate or repair code
messages = [system_msg, user_msg]
response = openai.ChatCompletion.create(model="gpt-4", messages=messages)
code = response.choices[0].message.content
console.print("[green]Generated code:[/]")
console.print(code, style="dim")
# 2) Try executing in isolated namespace
namespace = {}
try:
exec(code, {"__builtins__": {}}, namespace)
console.print("[bold green]Success![/]")
return code
except Exception as error:
console.print(f"[red]Error:[/] {error}")
# 3) Prepare repair prompt
user_msg = {
"role": "user",
"content": (
f"The code you wrote:\n```
{% endraw %}
python\n{code}\n
{% raw %}
```\n"
f"Raised this error:\n```
{% endraw %}
\n{error}\n
{% raw %}
```\n"
"Please fix the code."
)
}
raise RuntimeError(f"Failed after {max_retries} attempts")信息：出于安全考虑，我们限制了内置功能。在生产环境中，请考虑使用 Docker 或子进程沙盒。
4. 真实案例：构建网页爬虫
4.1 第一个提示
提示：
“编写一个 Python 脚本，从https://suoyinmulu.com/抓取引文，将其保存到 quotes.csv，并处理网络错误。”
4.2 生成的代码（尝试 1）
import requests
from bs4 import BeautifulSoup
import csv
response = requests.get("https://suoyinmulu.com/")
soup = BeautifulSoup(response.text, "html.parser")
quotes = [q.text for q in soup.select(".text")]
with open("quotes.csv", "w", newline="") as f:
writer = csv.writer(f)
for quote in quotes:
writer.writerow([quote])问题：没有错误处理
requests.get。
4.3 修复提示与修复（尝试 2）
GPT 增加了重试逻辑：
import requests, time
from bs4 import BeautifulSoup
import csv
for i in range(3):
try:
response = requests.get("https://suoyinmulu.com/", timeout=5)
break
except requests.exceptions.RequestException:
time.sleep(2)
else:
raise SystemExit("Failed to fetch after 3 tries")
soup = BeautifulSoup(response.text, "html.parser")
...结果：对瞬态网络故障具有鲁棒性。
5. CLI 包装器：单行工具生成
将生成器包装在 CLI 中，以便您可以动态创建工具：
if __name__ == "__main__":
import argparse
parser = argparse.ArgumentParser(description="AI‑powered script generator")
parser.add_argument("task", help="Describe the script to generate")
args = parser.parse_args()
code = generate_and_debug(args.task)
filename = "generated.py"
with open(filename, "w") as f:
f.write(code)
console.print(f"Saved [bold]{filename}[/bold]")
python generator.py "organize my Downloads folder: move all .pdf files into a folder named PDFs"信息：下一步——使其成为 Web 服务或集成到 CI/CD 中。
6. 统计数据和绩效指标
| 公制 | 无AI循环 | 使用 AI 循环（重试 3 次） |
|---|---|---|
| 一次通过成功率 | ~30% | ~85% |
| 平均调试周期 | 不适用 | 1.8 |
| 每天节省的开发人员时间 | 0分钟 | ~45分钟 |
来源：对 50 种提示类型（抓取工具、文件工具、机器人）进行内部测试。
7. 常见陷阱及解决方案
| 陷阱 | 解决方案 |
|---|---|
| 缺少导入 →NameError | 在系统提示中添加“确保所有导入都存在”。 |
| 生成的代码中的无限循环 | 将 exec 包装在超时中或添加迭代计数器。 |
| 不安全操作 | 具有限制的沙盒builtins或使用 Docker 进行隔离。 |
| GPT API 截断了较大的输出 | 要求 GPT 将代码拆分成模块，然后在本地重新组装。 |
信息：记录对文件的每次尝试可以帮助您审核重试之间发生的变化。
8.高级扩展
参数扫描
使用不同的超参数（例如，抓取延迟）生成脚本的变体。
自动化测试
要求 GPT 为生成的代码编写
pytest测试，然后在循环中运行它们。
Web 用户界面
构建一个简单的基于 Astro 的前端，以便非开发人员可以输入提示并下载脚本。